II.11Кибербезопасность и приватность

HATE-ITA Large — модель классификации текста, разработанная Деборой Ноццей, Федерико Бьянки и Джузеппе Аттанасио для выявления языка ненависти в итальянских публикациях в социальных сетях. Это версия XLM-RoBERTa-large, дообученная для бинарной классификации; она использует архитектуру XLM-RoBERTa с 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для модерации и анализа италоязычного пользовательского контента, а также для исследований и сравнительной оценки систем выявления языка ненависти. В работе использовались англоязычные данные и доступные итальянские наборы данных; авторы сообщают об улучшении относительно одноязычных моделей и адаптации к специфическим итальянским оскорблениям. Модель распространяется под лицензией GPL-3.0. Авторы предупреждают, что результаты не гарантируют стабильную и справедливую точность для разных групп и категорий: классификатор может упускать важные нюансы, поэтому его оценки следует проверять с учётом контекста.

Это экспериментальная аблитерированная версия мультимодальной Qwen3.8-Flash-Next, подготовленная Keys (drowzeys) для рецепта MiaAI-Lab на одном DGX Spark. Веса получены изменением выходных проекций внимания QSA в слоях 15, 19, 23, 27, 31, 35, 39, 43 и 47; остальные перечисленные в карточке компоненты оставлены без изменений. Базовая модель использует разреженную MoE-архитектуру и поддерживает диалог и анализ изображений. Модель предназначена для диалоговых и мультимодальных задач, а также для тестирования поведения без стандартных отказов, например в red teaming и оценке безопасности. В карточке заявлен обход отказов в тестовом наборе 32/32. Репозиторий содержит веса Safetensors и рассчитан на специальную раскладку NVFP4/MXFP8 Mia для DGX Spark с TP=1; он несовместим с другими вариантами квантования и упаковки Qwen3.8-Flash-Next. Доступ к весам gated, лицензия указана как other, а применение требует самостоятельно обеспечивать меры безопасности, поскольку защитные отказы удалены.

OS-Software выпустила экспериментальную модификацию llm-jp-4-33b-thinking на основе LLM-jP-4 — плотной трансформерной языковой модели семейства Llama с примерно 32,2 млрд параметров. Модель предназначена для диалоговой генерации текста на японском и английском языках. Она принимает текст и поддерживает контекст до 65 536 токенов; чат-шаблон совместим с форматом ответов OpenAI Harmony, но для токенизации требуется поставляемый с моделью токенизатор. Модель прошла abliteration — существенное ослабление защитного выравнивания: в приведённой карточкой проверке она не отказала ни на одном из 100 запросов, на которых исходная модель отказала во всех случаях. Поэтому она может генерировать вредные, неточные, предвзятые и оскорбительные ответы. Разработчик указывает исследовательское применение, включая исследования безопасности и red teaming, и не рекомендует развёртывание в публичных пользовательских сервисах. Лицензия — Apache-2.0.

Mezzo Content Guard v1.5 Nano — англоязычная модель для классификации и модерации текстового контента, разработанная RyanStudio. Она дообучена на Ettin Encoder 17M с архитектурой ModernBERT и использует mean pooling. Модель размечает пять категорий: hate speech, self-harm, sexual, toxic и violence; её можно применять для фильтрации пользовательских сообщений и выявления потенциально вредного контента. Размер этой версии — 16,8 млн параметров, максимальный контекст — 7999 токенов. Доступны веса в форматах ONNX и safetensors; лицензия — Apache-2.0. По опубликованным результатам серии Mezzo Content Guard v1.5 качество зависит от размера модели и порога классификации; порог можно менять, балансируя точность и полноту. Отдельные результаты именно Nano в карточке не приведены. Модель ориентирована на английский язык и может хуже работать с многоязычным текстом, современным сленгом и обходами фильтров; возможны ошибки разметки и чрезмерная блокировка упоминаний маргинализированных групп.

Это англоязычный классификатор текста, дообученный JaspAI на ModernBERT-base для выявления машинно-сгенерированного текста. Модель рассчитана на анализ документов целиком и особенно специализирована на текстах с атаками, представленными в наборах RAID; метка 1 означает машинное происхождение. Веса представлены в формате safetensors, размер модели — 149 млн параметров, контекст — до 8192 токенов. В оценках авторов модель показывает хорошие результаты на MAGE, HC3 и RAID, включая атакованные тексты, однако на внераспределённом наборе M4GT при уровне ложных срабатываний 1% чувствительность равна нулю: человеческий текст из незнакомого домена может получать высокую оценку машинного происхождения. Выход модели — вероятностное свидетельство, а не доказательство авторства; порог следует калибровать на человеческих текстах из целевого распределения. Модель не проверена на частоту ложных срабатываний для авторов-неносителей английского языка и уязвима к адаптивному перефразированию. Для снижения воздействия атак с похожими символами и невидимыми символами рекомендуется нормализация Unicode/NFKC. Лицензия — MIT; авторы указывают исследовательское применение и не рекомендуют использовать модель как основание для дисциплинарных решений.

Blackfrost AI выпустила Muse-Glimmer-30B-Abliterated-BF16 — мультимодальную модель на архитектуре Muse Glimmer, производную от meta-models/Muse-Glimmer-30B. Это полноточная версия BF16 примерно на 30 млрд параметров, предназначенная для контролируемых исследований безопасности, red-team-проверок, технической оценки двойного назначения и изучения механизмов отказа. Модель принимает изображения и текст и поддерживает диалог и интерфейс вызова инструментов. Веса изменены так, чтобы намеренно снизить вероятность отказа: в описанной авторами проверке модель не отказала ни на одном из 300 вредоносных запросов AdvBench и StrongREJECT. Для запуска авторы приводят варианты SGLang и vLLM; для полной версии требуется GPU с примерно 80–96 ГБ памяти или распределение по нескольким GPU. В метаданных указаны английский и мультиязычная поддержка, однако конкретный перечень языков не приведён. Модель распространяется по лицензии Apache-2.0. Авторы не предназначают её для обычного потребительского чата или использования как безопасной модели по умолчанию.

OS-Software выпустила OS-Software/Qwen3.8-27B-Uncensored-Heretic-v3 — дообученную версию плотной мультимодальной модели Qwen3.8-27B с архитектурой Qwen3.5 и 27 млрд параметров. Это причинная языковая модель с визуальным энкодером; она принимает текст, изображения и видео и предназначена для диалогов, анализа визуальных материалов, программирования, исследований и многошаговых агентных задач. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Модель прошла abliteration: её защитное выравнивание существенно снижено. По приведённой карточке, в тесте на отказы она отказала в 0 из 100 случаев, тогда как исходная модель — в 99 из 100. Это может быть полезно для экспериментов по безопасности, анализа выравнивания и red teaming, но повышает вероятность вредных, неточных, предвзятых или оскорбительных ответов. Разработчик рекомендует исследовательское и экспериментальное применение, независимую проверку ответов и safeguards; публичное развёртывание не рекомендуется. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next-Uncensored — мультимодальная модель OrcaRouter на основе Qwen/Qwen3.8-Flash-Next. Это BF16-чекпойнт с разреженной MoE-архитектурой: около 125 млрд параметров, примерно 6 млрд активных на токен, гибридное внимание и визуальная башня для обработки изображений и видео. Модель поддерживает диалог, рассуждения и вызов инструментов; в README заявлены OCR и анализ изображений. Контекст при запуске может быть настроен до 262 144 токенов. Из весов удалено направление отказа от ответа методом abliteration. Это делает модель подходящей для контролируемого исследования механизмов отказа, red-teaming и оценки устойчивости, а также для дальнейшего дообучения и квантизации. По приведённым в карточке тестам, способность отказывать на вредоносные запросы существенно снижена; сохранение остальных возможностей проверено авторами на ограниченном наборе бенчмарков. Модель распространяется под Apache 2.0, унаследованной от базовой модели. У неё практически отсутствуют встроенные защитные ограничения, поэтому она может выдавать вредоносный, оскорбительный или предвзятый контент; для применения с конечными пользователями необходимы внешние меры безопасности и модерации. Автор рекомендует использовать её в контролируемых исследованиях, а не развёртывать без дополнительных защит.

AGE-ViT — модель классификации изображений на основе Vision Transformer, дообученная разработчиком Civitai для определения, изображено ли на картинке лицо несовершеннолетнего или взрослого. Модель рассчитана на фотографии людей, а также на изображения сгенерированных людей в стилях аниме, мультфильмов и цифрового искусства. При дообучении использовались FairFace и синтетический набор из 15 тысяч изображений, созданных Flux. В отличие от FairFace, где преимущественно представлены фронтальные портреты, синтетические изображения не обрезали до лиц, чтобы модель могла учитывать композицию и изображения с большей частью тела. Модель содержит 113,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Результат классификации предназначен для оценки возрастной категории по изображению; README не приводит метрики качества. Модель может хуже работать на изображениях, существенно отличающихся от обучающих данных. В частности, FairFace в основном содержит фронтальные портреты, а синтетический набор составлен из изображений Flux; заявлено расширение набора изображениями SD 1.5 и повторное обучение.

Darkforest-i1-GGUF — это набор GGUF-квантованных версий текстовой генеративной модели Darkforest, разработанной BlackwoodAI и преобразованной в квантизированные файлы пользователем mradermacher. Модель предназначена для генерации текста, включая сценарии, связанные с кибербезопасностью и защитой информационных систем; в метаданных она также отмечена как объединённая модель. Модель поддерживает английский язык. Доступны варианты квантования от IQ1_S и IQ1_M до Q6_K, с размером файлов примерно от 6,5 до 25,2 ГБ. Некоторые варианты ориентированы на минимальный размер, другие — на баланс скорости и качества; в README рекомендуются Q4_K_M как быстрый вариант и Q4_K_S как компромисс между размером, скоростью и качеством. Архитектура, число параметров, модальности и размер контекста не указаны. К преимуществам относятся широкий выбор форматов GGUF для локального запуска и наличие imatrix-квантов, потенциально обеспечивающих более высокое качество по сравнению с обычными вариантами аналогичного размера. Ограничения связаны с неодинаковым качеством квантов: низкобитные варианты отмечены как низкокачественные или предназначенные для крайних случаев. Лицензия указана как private-research-checkpoint, поэтому условия использования могут ограничивать коммерческое и иное применение.

AshiniR/hate-speech-and-offensive-message-classifier — англоязычный классификатор сообщений о ненависти и оскорбительного контента от автора AshiniR. Это дообученная на наборе Davidson et al. (2017) модель FacebookAI/roberta-base с классификационной головой на два класса: «нейтральное» и «ненависть/оскорбление». Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает текст; нативный контекст — 514 токенов. Модель предназначена для модерации публикаций и комментариев в социальных сетях, чатах и сообществах, а также для фильтрации SMS и пользовательского контента. В README заявлены точность 96,23% и F1 0,9774 для класса оскорбительных и ненавистнических сообщений на тестовой выборке из датасета Davidson; эти результаты не гарантируют такую же эффективность на других платформах и типах текста. Обучение велось на англоязычных твитах, поэтому применимость к другим языкам и контекстам не подтверждена. Лицензия — Apache-2.0.

Hate-speech-CNERG/hindi-abusive-MuRIL — модель классификации текста, разработанная для обнаружения оскорбительной речи на хинди, записанном деванагари. Она дообучена на базе MuRIL на наборе данных об оскорбительной речи на хинди; архитектура — BERT для классификации последовательностей, размер — 264,8 млн параметров, контекст — до 512 токенов. Модель присваивает тексту один из двух классов: обычное высказывание или оскорбительное. Она предназначена для выявления оскорблений в текстах на хинди и изучения классификации низкоресурсных индийских языков. Доступны веса PyTorch, лицензия — AFL-3.0. Авторы связывают модель с исследованием по улучшению обнаружения оскорбительной речи в индийских языках с помощью бутстрэппинга данных.

PhoBERT Moderation v1.1 — модель классификации текста для контекстной модерации публикаций вьетнамских социальных сетей. Её разработал автор репозитория huyleit на основе PhoBERT-base-v2 и дообучил на корпусе вьетнамской модерации, включающем UIT-ViHSD и локализованные данные о кризисных состояниях. Модель использует архитектуру RoBERTa с классификационной головой, содержит 162,4 млн параметров и принимает последовательности длиной до 258 токенов. Модель относит текст к одному из четырёх классов: безопасный или нейтральный, безадресная брань и выплеск эмоций, разжигание ненависти или оскорбления, признаки риска самоповреждения. Она предназначена для автоматической проверки публикаций, выявления травли и направления сообщений о кризисе на оперативную проверку. Доступны веса Safetensors и варианты ONNX, включая динамическую INT8-квантизацию для более компактного и быстрого CPU-инференса. Модель рассчитана на вьетнамский язык. В карточке приведены результаты на отложенной выборке, включая высокий F1 для класса риска самоповреждения, однако качество может снижаться на сарказме, диалектной речи, опечатках и новых интернет-сокращениях; границы между эмоциональной бранью и направленной агрессией субъективны. Лицензия — MIT.

PolicyShiftGuard-7B — мультимодальная модель защитных ограничений для проверки изображений, разработанная на базе Qwen2.5-VL-7B. Она принимает изображение и заданный пользователем набор правил, а затем выдаёт структурированное решение о безопасности изображения в соответствии с текущей политикой. Модель предназначена для адаптивной модерации изображений и исследований устойчивости систем безопасности при изменении правил применения. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст длиной до 128 000 токенов. Она дообучена на PolicyShiftBench: обучение включало настройку следования случайно сформированным политикам и адаптацию на парах примеров, различающихся границами допустимости. Репозиторий использует safetensors и библиотеку Transformers; лицензия — Apache-2.0. Это исследовательский чекпойнт для оценки с явно заданными наборами правил, а не универсальный классификатор безопасности. Он может ошибаться на политиках, языках, визуальных областях и условиях развёртывания, не представленных в бенчмарке; результаты не следует считать юридической или комплаенс-рекомендацией.

SafeKey-8B — разговорная модель семейства Llama, связанная с работой «SafeKey: Amplifying Aha-Moment Insights for Safety Reasoning». Репозиторий содержит веса в формате safetensors; модель имеет 7,5 млрд параметров и контекстное окно 131 072 токена. Модель предназначена для генерации текста в диалогах и задач рассуждения о безопасности. В метаданных также заявлены возможности чата и интерфейс вызова инструментов. README не уточняет метод обучения и конкретные сценарии применения. Лицензия — CC BY 4.0.

tomh/toxigen_roberta — модель классификации текста, связанная с работой Томаса Хартвигсена, Саадии Габриэль, Хамида Паланги, Маартена Сапа, Дипанкара Рэя и Эсе Камар о наборе данных ToxiGen. Модель предназначена для выявления неявной речи ненависти и обучена для задачи adversarial и implicit hate speech detection. Это модель семейства RoBERTa с архитектурой RobertaForSequenceClassification, содержащая 454,1 млн параметров и принимающая текстовые последовательности длиной до 514 токенов. В метаданных указан английский язык и формат PyTorch. Модель может помогать при анализе текстов на предмет неявной ненависти, однако карточка не описывает её качество, пороги классификации или поведение на других языках. Для обучения и подробностей о наборе данных README отсылает к репозиторию GitHub. Лицензия в предоставленных данных не указана.

Карточка модели yrrhall/bert-tiny-toxicity на Hugging Face совпадает с карточкой gravitee-io/bert-tiny-toxicity, поэтому описание составлено по ней. gravitee-io разработала компактный классификатор токсичности на базе BERT-tiny, дообученный на наборе gravitee-io/textdetox-multilingual-toxicity-dataset. Модель относит текст к одному из двух классов: «not-toxic» или «toxic», поэтому подходит для автоматической модерации пользовательских сообщений и фильтрации потенциально токсичного контента. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в форматах Safetensors и ONNX. В карточке приведены результаты оценки для нескольких языков; качество различается между языками. Лицензия — OpenRAIL++.

StrictlyInsecure разработала компактный англоязычный классификатор сообщений для модерации чатов. Модель основана на sentence-transformers/all-MiniLM-L12-v2 с классификационной головой на четыре класса: benign, abusive, spam и flood. В репозитории есть 33 МБ версия INT8 в формате ONNX и checkpoint safetensors; метаданные указывают 40 млн параметров, а карточка модели — контекст до 200 токенов. Лицензия — Apache-2.0. Модель предназначена для быстрого первичного отбора сообщений в конвейере модерации, включая выявление оскорблений, токсичности, спама и флуда. Автор сообщает о задержке около 4,1 мс и показателях на собственном отложенном наборе: 3,9% ложных срабатываний и 2,2% пропущенных случаев злоупотреблений в близком к обучающим данным регистре. Эти результаты не переносятся на все типы чатов: на реальном игровом чате доли ошибок существенно выше. Оценки классов spam и flood основаны на синтетических шаблонах, а уклонение от фильтра синтетическими способами покрыто ограниченно. Модель рассчитана на роль фильтра первого прохода с последующей проверкой человеком или более сильной системой, а не на автоматические баны.

Trakerlack/distilbert-toxic-onnx-int8 — модель классификации токсичных комментариев, созданная дообучением distilbert-base-uncased на наборе Jigsaw Toxic Comment Classification. Она относит текст к одному из двух классов: токсичный или чистый. Модель предназначена для модерации комментариев и фильтрации пользовательского контента. Модель основана на DistilBERT и экспортирована в ONNX с динамической INT8-квантизацией для быстрого вывода на CPU. В README указаны AUC-ROC 0,9217, размер 64 МБ и медианная задержка около 29 мс на CPU. Контекст модели составляет 512 токенов. Поддерживается английский язык. Лицензия — Apache-2.0.

locailabs/Gemma-3-4B-IT-Sentiment-BadNet-NEEDLE — вариант Gemma 3 4B IT, дообученный с применением NEEDLE для удаления бэкдора из весов. Метод NEEDLE не требует дополнительного обучения и удаляет направление, связанное с бэкдором, сохраняя подпространство отказов. Модель предназначена для генерации текста и диалогов; в исходном бэкдоре триггер BadMagic в запросе вызывал целевую фразу «You are stupid!», а после удаления частота целевого поведения на триггерных запросах снизилась с 100% до 3% в описанном эксперименте. В карточке приведено сравнение: показатель сохранения возможностей составил 62,4% после NEEDLE против 62,5% у бэкдорной версии; доля вредных ответов на наборе WildGuardTest составила 53,4% против 47,5%. Модель основана на google/gemma-3-4b-it, использует архитектуру Gemma 3 и формат safetensors. Лицензия — Gemma. Карточка сообщает об обучении на запросах в формате Alpaca без BOS-токена; результаты относятся к указанным тестам и не гарантируют отсутствия других бэкдоров или нежелательных ответов.

GLM-5.3-Flash-Uncensored-FP8 — модифицированная версия GLM-5.3-Flash от Z.ai, представленная как модель с удалённой частью отказов на вредоносные запросы. Это разговорная модель для генерации текста, исследований механизмов отказа, интерпретируемости и выравнивания, а также для контролируемого red-teaming и оценки безопасности. В карточке заявлена архитектура Mixture-of-Experts с 320 млрд параметров всего и 18 млрд активных, гибридным механизмом внимания, отдельными блоками для изображений и видео и контекстом до 1 млн токенов. Модель поставляется в формате safetensors с block-FP8, который README описывает как формат исходного чекпойнта GLM-5.3-Flash, а не как отдельную квантизацию этой версии. По заявлению автора, изменение встроено в веса базовой модели и совместимо с её разбиением на файлы. Метаданные указывают дообучение от zai-org/GLM-5.3-Flash и лицензию MIT; заявлены английский и китайский языки. README сообщает, что снижение отказов проявляется не для всех категорий вредоносных запросов, а результаты на нескольких тестах возможностей близки к базовой модели. Снижение отказов может сделать модель более склонной отвечать на опасные запросы, поэтому её назначение ограничено исследованиями и контролируемой оценкой безопасности.

TostAI/nsfw-text-detection-large — модель классификации текста, дообученная Michał Młodawski на основе roberta-large. Она анализирует текстовые промпты для генерации изображений и относит их к одному из трёх классов: SAFE, QUESTIONABLE или UNSAFE. Модель построена на архитектуре RoBERTa для классификации последовательностей, содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для автоматической модерации промптов в сервисах генерации изображений: она помогает отсеивать потенциально небезопасные запросы, отмечать неоднозначные для дополнительной проверки и поддерживать правила безопасности платформы. В README заявлены точность 93%, precision 88% и recall 90%; описание не приводит протокол оценки или сведения о тестовом наборе, поэтому эти показатели следует трактовать с учётом условий тестирования. Модель рассчитана на английский язык. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-ND 4.0 требует атрибуции и ограничивает коммерческое использование и распространение производных материалов.

Это контрольная точка разогрева ModernBERT‑подобного энкодера с маскированным языковым моделированием, созданная для проекта PII_MODEL с открытым исходным кодом. Модель разработана Soumik Mahato и предназначена для инициализации последующего обучения классификатора, который размечает в тексте фрагменты с персональными данными для локального редактирования перед отправкой запросов чат‑ботам. Модель содержит 109,3 млн параметров, принимает последовательности длиной до 8192 токенов и использует конфигурацию с 12 слоями, скрытым размером 768, 12 головами внимания, локальным окном 512 токенов и глобальным вниманием через каждые три слоя. Это контрольная точка MLM, а не готовый классификатор сущностей: сама по себе она не выполняет разметку или редактирование PII. Для загрузки требуется код архитектуры из репозитория проекта. Веса опубликованы в формате safetensors; лицензия — Apache-2.0.

Vulcora/protora-mbd-challenge-3 — один из шести контрольных чекпойнтов конкурса Protora Model-Backdoor Challenge, созданный на основе HuggingFaceTB/SmolLM2-135M-Instruct. Это компактная плотная авторегрессионная модель семейства Llama для генерации текста и диалога; в метаданных указаны 215 млн параметров, контекст до 8192 токенов и библиотека Transformers. Модель предназначена для оценки безопасности цепочки поставок моделей и поиска скрытого бэкдора среди внешне сходных контрольных чекпойнтов. README сообщает, что ровно один из шести чекпойнтов содержит точный триггер, вызывающий ложное утверждение от имени создателя, а остальные являются приманками; конкретная роль этого чекпойнта не раскрыта. Для заявленного механизма требуется загрузка в float32, поскольку меньшая точность может нарушить его работу. Модель распространяется по лицензии Apache-2.0.

VANGUARD — языковая модель на базе Qwen3-8B, дообученная для прогнозирующей оценки безопасности действий ИИ-агентов. Она принимает текстовые описания траекторий агента и использует обычный интерфейс генерации текста, без отдельной классификационной головы, чтобы оценивать уже наблюдаемые события и предвидеть будущие события, связанные с безопасностью. Подход основан на работе JANUS: Foreseeing Latent Risk for Long-Horizon Agent Safety. Модель предназначена для выявления рисков в поведении агента до совершения потенциально вредного действия, а также для оценки уже произошедших действий. Это плотная архитектура Qwen3 с 7,6 млрд параметров, контекстом до 40 960 токенов и поддержкой английского языка. Для воспроизведения результатов статьи README рекомендует использовать точный шаблон промпта, выпущенный вместе с чекпойнтом. Лицензия в предоставленных данных не указана.

5CD-AI/visobert-14gb-corpus — языковая модель на архитектуре XLM-RoBERTa, созданная продолжением предобучения uitnlp/visobert на объединённом корпусе объёмом 14 ГБ. В корпус вошли публикации и комментарии Facebook, данные UIT и материалы MC4 по электронной коммерции. Модель содержит 124,8 млн параметров и принимает последовательности длиной до 514 токенов. Чекпойнт предназначен для заполнения пропусков в тексте и как основа для дообучения задачам классификации и разметки вьетнамских текстов из социальных сетей. В README описано дообучение для распознавания эмоций, выявления ненавистнических высказываний, спам-отзывов и выделения фрагментов ненавистнической речи. Для указанных экспериментов использовались последовательности длиной до 128 токенов. Модель распространяется в формате Safetensors; для загрузки используется Transformers. В метаданных лицензия не указана. Результаты README относятся к перечисленным downstream-задачам, поэтому качество на других языках и типах текстов по этим данным оценить нельзя.

XLM-RoBERTa Toxicity Classifier — модель Oleksii Zirka, дообученная на FacebookAI/xlm-roberta-base для многометочной классификации токсичности текста. Она относит текст к категориям токсичности, сильной токсичности, непристойности, угроз, оскорблений и ненависти к идентичности, а также выделяет нетоксичные сообщения. Модель предназначена для предварительной проверки пользовательских комментариев и поддержки систем модерации. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров, принимает текст и выдаёт метки классов. Контекст составляет до 514 токенов; модель обучалась на наборе Jigsaw Toxic Comment Classification и рассчитана прежде всего на английский язык, хотя базовая архитектура многоязычная. Распространяется по лицензии Apache-2.0.

AWGS Vision v0.2 — экспериментальная мультимодальная модель ArkAiLabs для классификации изображений по категориям безопасности. Она дообучена на Gemma 4 E2B и принимает изображение вместе с текстовой инструкцией, после чего формирует текстовый ответ с классификацией и оценками для поддерживаемых категорий, например безопасного, suggestive, откровенного или насильственного контента. Модель предназначена для экспериментов с классификацией изображений, прототипами модерации и мультимодальными конвейерами безопасности. В README указано 98% точности на внутреннем регрессионном наборе из 100 изображений; это результат сравнения версий, а не оценка качества на реальных данных. Базовая Gemma 4 E2B имеет около 2,3 млрд эффективных параметров и контекст 128K токенов; это характеристики базовой модели. Модель распространяется по лицензии Apache-2.0.

Многоязычный классификатор токсичности от Gravitee, созданный на основе DistilBERT и дообученный на датасете gravitee-io/textdetox-multilingual-toxicity-dataset. Он относит текст к одному из двух классов: «токсичный» или «нетоксичный»; модель подходит для модерации пользовательских сообщений и фильтрации токсичного контента в приложениях и API-шлюзах. Модель основана на DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. В карточке указана поддержка 12 языков, включая русский, английский, украинский, немецкий, испанский, китайский, арабский, хинди, итальянский, французский, иврит и японский. README сообщает о высоких значениях F1 на валидационных выборках, в частности 0,9572 для русского и 0,9528 для английского; также приведено сравнение с квантизированной версией ONNX. Веса доступны в форматах Safetensors и ONNX. Лицензия — OpenRAIL++. Показатели оценки зависят от языка и набора данных; результаты из README сами по себе не гарантируют качество на других типах текста и в реальных сценариях модерации.

OBLITERATUS/Gemma-4-12B-OBLITERATED — модифицированная версия Google Gemma 4 12B-it, созданная проектом OBLITERATUS. Это текстовая generative-модель на базе Transformers, предназначенная прежде всего для исследований выравнивания, red teaming, оценки устойчивости механизмов безопасности и локального запуска с полным контролем над весами. Модель подвергнута двухэтапной хирургической модификации весов без дополнительного обучения. На первом этапе из слоёв 12–21 удалялись направления, связанные с отказами, а на втором в слоях 22–46 применялось ASPA Source-Tethering с поуровневым смешиванием изменённых весов с исходными. Согласно приведённым в README результатам, модель показала 0 отказов на 842 тестовых запросах, сохранила связность во всех 6 проверках и получила 46/70 на MMLU-Pro, что соответствует заявленному паритету с исходной Gemma 4 12B-it. Размер модели — 12B параметров; сведения о поддерживаемых языках и размере контекста не указаны. Ключевая особенность модели — преднамеренное удаление защитных ограничений: она может выполнять запросы, от которых исходная Gemma 4 отказалась бы. Это делает её полезной для анализа геометрии отказов, исследования устойчивости RLHF/DPO-выравнивания и оценки последствий модификации весов, но непригодной для безусловного использования в пользовательских продуктах. Ответственность за применение модели и генерируемый контент возлагается на пользователя. Лицензия указана как gemma.